| تعداد نشریات | 60 |
| تعداد شماره‌ها | 2,185 |
| تعداد مقالات | 17,683 |
| تعداد مشاهده مقاله | 54,292,856 |
| تعداد دریافت فایل اصل مقاله | 28,418,333 |
روشی جدید جهت محاسبه قابلیت اطمینان سیستم های فعال با نرخ های خرابی وابسته به زمان مبتنی بر توزیع وایبل | ||
| مطالعات مدیریت صنعتی | ||
| مقاله 4، دوره 19، شماره 61، تیر 1400، صفحه 95-124 اصل مقاله (2.24 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22054/jims.2018.27302.1932 | ||
| نویسندگان | ||
| پدرام پورکریم گیلانی1؛ مانی شریفی* 2؛ پرهام عظیمی2؛ مقصود امیری3 | ||
| 1دانشجوی دکتری،دانشگاه آزاد اسلامی،واحد قزوین،دانشکده مهندسی صنایع و مکانیک ،گروه مهندسی صنایع،قزوین،ایران | ||
| 2دانشیار ،دانشگاه آزاد اسلامی،واحد قزوین،دانشکده مهندسی صنایع و مکانیک ،گروه مهندسی صنایع،قزوین،ایران | ||
| 3استاد،دانشکده مدیریت وحسابداری ، دانشگاه علامه طباطبائی | ||
| چکیده | ||
| با توجه به حساسیت بالای کاربران در استفاده از تجهیزات الکترونیکی و مکانیکی، ایجاد شرایطی جهت افزایش پایایی این سیستم‌ها همواره از دغدغه های تولید کننده‌گان است. لذا با افزایش روز افزون تولید، یافتن راهی برای ارتقاء قابلیت اطمینان (پایایی) محصول در طول طراحی بیش از پیش مورد توجه قرار گرفته است. در اکثر تحقیقات انجام شده در این حوزه، نرخ خرابی‌های اجزای تشکیل دهنده سیستم، ثابت فرض شده است. این در حالی است که در مسائل دنیای واقعی، در نظر گرفتن نرخ‌های خرابی وابسته به زمان برای مدلسازی فرآیندها واقع بینانه تر است. یکی از مهم‌ترین و کاربردی ترین توزیع‌های آماری که قابلیت مدلسازی نرخ خرابی وابسته به زمان برای اجزای تشکیل دهنده سیستم ها را دارند، توزیع وایبل است. اما این توزیع از خاصیت بی حافظگی برخوردار نبوده و در نتیجه امکان استفاده از روابط ریاضی و آماری به صورت صریح برای آن میسر نبود. بنابراین استفاده از تکنیک‌های متنوع شبیه سازی، تنها راه حل مناسب جهت محاسبه تابع پایایی به صورت ضمنی حین استفاده از توزیع وایبل بود. لذا برای اولین بار در این تحقیق، بدون استفاده از تکنیک های شبیه سازی، یک تابع ریاضی جهت محاسبه پایایی توزیع وایبل ارائه می‌شود. | ||
| کلیدواژه‌ها | ||
| پایایی؛ مسئله تخصیص افزونگی؛ توزیع وایبل؛ شبیه سازی؛ نرخ خرابی وابسته به زمان | ||
| مراجع | ||
|
Banjevic D, Jardine AK. Calculation of reliability function and remaining useful life for a Markov failure time process. IMA journal of management mathematics. 2006 Apr 1;17(2):115-30.
Carrasco JM, Ortega EM, Cordeiro GM. A generalized modified Weibull distribution for lifetime modeling. Computational Statistics and Data Analysis 2008; 53(2):450-462.
Coit DW, Smith AE. Genetic algorithm to maximize a lower-bound for system time-to-failure with uncertain component Weibull parameters. Computers and Industrial Engineering 2002; 28;41(4):423-440.
Elmahdy EE, Aboutahoun AW. A new approach for parameter estimation of finite Weibull mixture distributions for reliability modeling. Applied Mathematical Modelling 2013; 37(4):1800-1810.
Eryilmaz S. Reliability of a k-out-of-n system equipped with a single warm standby component. IEEE Transactions on Reliability 2013; 62(2):499-503.
Fazlollahtabar H, Saidi-Mehrabad M, Balakrishnan J. Integrated Markov-neural reliability computation method: A case for multiple automated guided vehicle system. Reliability Engineering & System Safety. 2015; 135:34-44.
Flammini F, Marrone S, Mazzocca N, Vittorini V. A new modeling approach to the safety evaluation of N-modular redundant computer systems in presence of imperfect maintenance. Reliability Engineering and System Safety 2009; 94(9):1422-1432.
Gray JN. Continuous-time Markov methods in the solution of practical reliability problems. Reliability engineering 1985; 11(4):233-52.
Guilani PP, Azimi P, Niaki ST, Niaki SA. Redundancy allocation problem of a system with increasing failure rates of components based on Weibull distribution: A simulation-based optimization approach. Reliability Engineering and System Safety 2016; 152:187-96.
Guilani PP, Sharifi M, Niaki ST, Zaretalab A. Reliability evaluation of non-reparable three-state systems using Markov model and its comparison with the UGF and the recursive methods. Reliability Engineering and System Safety 2014; 129:29-35.
Hisada K, Arizino F. Reliability tests for Weibull distribution with varying shape-parameter, based on complete data. IEEE transactions on Reliability 2002 ;51(3):331-336.
Huang CC, Yuan J. A two-stage preventive maintenance policy for a multi-state deterioration system. Reliability Engineering and System Safety 2010; 95(11):1255-60.
Huang L, Xu Q. Lifetime reliability for load-sharing redundant systems with arbitrary failure distributions. IEEE Transactions on Reliability 2010; 59(2):319-330.
Jiang P, Lim JH, Zuo MJ, Guo B. Reliability estimation in a Weibull lifetime distribution with zero‐failure field data. Quality and Reliability Engineering International 2010; 26(7):691-701.
Landon J, Özekici S, Soyer R. A Markov modulated Poisson model for software reliability. European Journal of Operational Research. 2013; 229(2):404-10.
Mendes, A.A., D.W. Coit, and J.L.D. Ribeiro, Establishment of the optimal time interval between periodic inspections for redundant systems. Reliability Engineering & System Safety, 2014. 131: p. 148-165.
Montoro-Cazorla D, Pérez-Ocón R. Constructing a Markov process for modeling a reliability system under multiple failures and replacements. Reliability Engineering & System Safety. 2018 (in press).
Nadarajah S, Kotz S. On some recent modifications of Weibull distribution. IEEE Transactions on Reliability 2005; 54(4):561-562.
Nourelfath M, Châtelet E, Nahas N. Joint redundancy and imperfect preventive maintenance optimization for series–parallel multi-state degraded systems. Reliability Engineering and System Safety 2012; 103:51-60.
Peng X, Yan Z. Estimation and application for a new extended Weibull distribution. Reliability Engineering and System Safety 2014; 121:34-42.
Pham H, Lai CD. On recent generalizations of the Weibull distribution. IEEE transactions on reliability 2007; 56(3):454-8.
Ross, SM. A first course in probability. Pearson 2014.
Soro IW, Nourelfath M, Aït-Kadi D. Performance evaluation of multi-state degraded systems with minimal repairs and imperfect preventive maintenance. Reliability Engineering and System Safety 2010; 95(2):65-69.
Wang Z, Mourelatos ZP, Li J, Baseski I, Singh A. Time-dependent reliability of dynamic systems using subset simulation with splitting over a series of correlated time intervals. Journal of Mechanical Design. 2014;136(6):061008.
Wu S, Zhang L, Lundteigen MA, Liu Y, Zheng W. Reliability assessment for final elements of SISs with time dependent failures. Journal of Loss Prevention in the Process Industries. 2018;51:186-99.
| ||
|
آمار تعداد مشاهده مقاله: 2,019 تعداد دریافت فایل اصل مقاله: 960 |
||